查看auto ML 算法-YoloV5前的准备工作

Yolo是“You only look once”的简写，是一种物体检测算法，因为它的检测速度和准确性而闻名。

Yolov5实在yolov4发布后一个月后由Ultralystics公司的Glenn Jocher发布的，和以前的yolo算法不同，它是用python写的，而yolov4以前是Alexey Bochkovsky用C语言写的。

在聊yolov5之前，先得讲一下卷积神经网络Convolutional Neural Networks(CNNs),它是利用权值共享策略挖掘图像中不同位置出现的相似结构。

传统的神经网络叫多层感知机Multilayer perceptron(MLP).它在处理图像方面有天生的缺陷： 1.训练工作量随图像变大而异常变大 2.修正模型时不能解决物体出现位置不同的问题

卷积神经网络： 通过移动3*3或5*5的过滤器，以扫描的方式从图像的左上角移动到右下角，每移动一个点，就算出和过滤器中心点重合的点的卷积。 对每个过滤器来讲，移动一遍会生成特征图。然后通过激活函数，就会保留指定位置的一定特征。我们可以通过持续的操作来获得更为抽象的特征（Deeper CNNs)

卷积神经网络中有三层：

1. 卷积层：用过滤器抓取特征 
2. 池化层：降维
3. 全连接层：在最终特征图获取总的信息并分类

具体可参考网页https://www.cs.ryerson.ca/~aharley/vis./conv中的例子，演示了从手写字到识别用到的层

卷积的计算：

平滑卷积核和边缘提取卷积核：平滑卷积核就是将中心像素与周围像素值进行平均，实现平滑处理 边缘提取卷积核就是将中心像素值复制4份，然后减去周围的4个临近像素值。如果所在区域周围像素值比较近，像素值减为0，边缘像素值有差值，就保留了下来。

	1	1	1	1	1
	1	1	1	1	1
1/25*	1	1	1	1	1
	1	1	1	1	1
	1	1	1	1	1

0	-1	0
-1	4	-1
0	-1	0

 池化层类型包括Max和Average.Max举例如下：

激活函数（ReLU): 线性模型的表达能力不够，激活函数增加神经网络的非线性，提升神经网络表达能力，使得神经网络可以任意逼近非线性函数。 

查看网络结构图：

1. 安装Netron
2. 下载yolov5s.onnx(https://github.com/ultralytics/yolov5/releases)
3. 打开yolov5s.onnx就可以看到yolov5的网络结构图了